粒子群算法在金融风险模型中的研究与改进
2020-11-13宋振铭赵佳琪
吉林大学学报(信息科学版) 2020年2期
关键词:系统
孙 艺, 宋振铭, 赵佳琪
(1. 北京邮电大学 软件学院, 北京 100876; 2. 中国标准化研究院 标准评估部, 北京 100191)
0 引 言
近年来, 因为全球经济逐步一体化、 导致金融领域的创新层出不穷, 国内金融市场发展迅速, 财富膨胀的同时也伴随着各种危机, 大多数的金融机构受到多方不利因素的影响。因此很多研究人员基于多方面的考虑提出了不同的金融风险预测模型, 试图在金融系统的各个方面, 最大程度地降低风险。目前金融行业中, 普遍采用的风险评估模型有以下3种: 决策树、 支撑向量机和基于深度学习神经网络预测方法。相对而言粒子群算法实现较为简单, 优化比较方便, 并且参数少, 优点相对突出, 所以经常被用于多个经济领域。例如在供应链领域的金融信用风险评价[1]、 在经济调度问题中的应用[2]、 证券市场分析[3]、 求解经济负荷分配[4]、 金融风险预警[5]和产销不平衡现象领域[6]。在粒子群算法中, 每个粒子个体的位置被设置为一个问题的可优化解, 并且站在整个群体的角度下, 采取信息共享和合作方式, 按照有序的方式和规律引导粒子逐步演化, 从而得到最优解。
以往传统方法中, 大多是以线性分析方法为基础的金融理论, 很多没有考虑金融系统的非线性, 对金融系统中存在的相互作用的复杂程度和内部的不稳定性都没有明确考量, 导致对金融风险无法进行有效的预测和控制。而且粒子群算法会随着迭代次数的增多, 容易出现种群多样性降低、 陷入局部最优、 收敛速度减慢和全局收缩能力降低等问题, 因此在传统金融风险模型中, 粒子群算法的应用方式是无法确定其最大参数比的[7]。……
登录APP查看全文
